输电线路设备安全稳定运行,是电网系统正常运行的关键。采取准确高效的检测手段,及时发现输电线路设备故障,对于电网安全运行的意义重大。随着智能电网的建设推进,输电线路巡检已从传统的人工巡检转变为智能巡检。然而,巡检周期长,检测流程繁琐仍是目前输电线路巡检亟待解决的难题。因此,本文以输电线路设备中的绝缘子作为研究对象,提出一种面向输电线路巡检的分布式识别算法及其卸载策略,以提高检测效率。首先,针对现有输变电设备检测算法模型过大、耗时长以及无法部署在边缘端的问题,提出一种边缘端轻量级绝缘子的识别方法。选择一阶段目标检测算法中的YOLOv4算法,利用轻量化的Mobile Netv3网络代替YOLOv4中的CSPDarknet53特征提取网络,以减少模型网络参数。为了提高识别算法精度,分别改进了Mobile Netv3网络的激活函数以及YOLOv4算法的损失函数。对于Mobile Netv3网络采用PRe LU代替Re LU成为浅层部分网络的激活函数。对于YOLOv4目标检测算法的损失函数,采Focal损失函数来提高目标样本所占权值,让模型专注于目标物体的检测,加快预测框回归速度,减少了正负样本不均衡对模型的干扰,提升模型检测的准确率。实验结果表明,本文提出一种轻量级绝缘子缺陷检测方法,在保证检测精度的同时极大的减小了模型尺寸,且可将模型部署于边缘端。其次,针对上一章提出的轻量级绝缘子缺陷检测算法,提出一种基于二进制粒子群的深度神经网络分区算法,以便将轻量级算法合理部署于UAV（Unmanned Aerial Vehicle,UAV）和边缘服务器上。首先,分析上一章改进的Mobile Netv3不同网络层划分点对输电线巡检系统的影响,然后建立系统能耗以及时延模型,制定系统总成本。将系统总成本最小问题转化为二进制粒子群粒子位置寻优问题。为了提高获取最优分区点的速度,采用混沌映射来优化粒子初始位置。其次,采用变异策略来避免粒子搜索停滞,进一步提升分区算法性能。实验结果表明:本文所提出的深度神经网络分区算法实现了将深度神经网络在UAV与边缘服务器上进行合理分布,极大地提高了输电线路绝缘子缺陷检测效率。最后,针对多UAV同时进行输电线路设备巡检计算卸载的问题,以及多UAV进行输电线路巡检分配计算资源的问题。提出一种基于深度强化学习的多UAV协同卸载策略。将输电线路巡检中多UAV协同卸载问题表述为马尔可夫博弈,然后通过深度确定性策略梯度算法来解决该问题。此外,考虑了UAV之间卸载关联,增加UAV之间的策略相互学习。实验结果表明:相比于其他卸载策略,所提出的多UAV协同卸载策略可有效提高输电线路巡检效率。